基于深度哈希学习的图像检索方法研究

发布时间：2021-04-16 12:59

　　得益于存储开销与检索效率上的优势,基于哈希学习的近似最近邻搜索算法已被广泛地应用于大规模图像检索。近年来,由于计算机算力的提升、更好的优化算法以及大规模图像数据集的出现,深度卷积神经网络得到了空前的发展,展现出了对图像数据的强大表示能力。相较于传统的采用手工特征作为模型输入的哈希学习方法,端到端的深度哈希学习可以将特征表示与哈希编码联合起来同时进行学习,极大地改善了哈希编码的检索性能。为了充分地挖掘深度卷积神经网络的潜力,本文针对无监督和有监督这两种不同的应用场景分别各提出了一个端到端的深度哈希学习模型:1)基于伪成对标签的深度无监督哈希学习。目前主流的深度哈希学习方法多为有监督学习,无监督的深度哈希学习则由于缺少相似性监督信息,而难以获取高质量的哈希编码。在实际应用中,为数据添加标签是一项极其费时费力的工作,而且对于一些特定的领域,往往还需要领域内专家的参与才能完成标记工作。为此,本文提出一种端到端的基于伪成对标签的深度无监督哈希学习模型。它的学习过程包括两个阶段:第一个阶段利用预训练的深度卷积神经网络所提取出的包含丰富语义信息的图像特征来构造数据的伪成对标签;在此基础上再于第二阶段... 

【文章来源】：浙江师范大学浙江省

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景
    1.2 本文工作
    1.3 文章的组织结构
2 相关工作
    2.1 局部敏感哈希方法
    2.2 哈希学习方法
        2.2.1 有监督的哈希学习方法
        2.2.2 无监督的哈希学习方法
    2.3 本章小结
3 基于伪成对标签的深度无监督哈希学习
    3.1 引言
    3.2 算法
        3.2.1 问题描述
        3.2.2 模型架构
        3.2.3 阶段一:获取伪成对标签
        3.2.4 阶段二:深度哈希学习
        3.2.5 模型优化
    3.3 实验
        3.3.1 数据集
        3.3.2 实现细节与基准模型
        3.3.3 性能评价
        3.3.4 实验结果与分析
        3.3.5 超参t对模型性能的影响
        3.3.6 超参η对模型性能的影响
    3.4 本章小结
4 面向高效图像检索的深度汉明嵌入哈希
    4.1 引言
    4.2 算法
        4.2.1 问题描述
        4.2.2 模型架构
        4.2.3 图像表示学习
        4.2.4 汉明嵌入学习
        4.2.5 深度汉明嵌入哈希
    4.3 实验
        4.3.1 数据集
        4.3.2 实现细节与基准模型
        4.3.3 性能评价
        4.3.4 实验结果与分析
        4.3.5 消融实验
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读学位期间取得的科研成果
致谢



本文编号：3141475